作者介绍
杨宏志，知乎首页架构负责人，主要负责首页工程化建设、工程架构优化、性能提升等工作。知乎专栏：https://zhuanlan.zhihu.com/c_195355141
本文转载自dbaplus社群(ID：dbaplus)
本文大致会从以下几个方面入手，谈谈笔者对数据存储方案选型的看法：
- 从MySQL到HBase集群化方案的演化
- MySQL与HBase的性能取舍
- 不同方案的优化思路
- 总结
一.集群化方案
1.MySQL应用的演化
MySQL与HBase说到最核心的点，是一种数据存储方案。方案本身没有对错、没有好坏，只有合适与否。相信多数公司都与MySQL有着不解之缘，部分学校的课程甚至直接以SQL语言作为数据库讲解。我想借自身经历，先来谈谈MySQL应用的演化。
只有MySQL
笔者之前曾在一家O2O创业公司工作，公司所有数据都存储在同一个MySQL里，而且没有任何主备方案。相信这是很多初创公司会用到的一个典型解决办法，当时这台MySQL为用户、订单、物流服务，同时也为线下分析服务。
单实例的问题：
一旦MySQL挂了，服务全部停止；
一旦MySQL的磁盘坏了，公司的所有服务都没有了(一般会定时备份数据文件)。
主从方案
随着业务增加，单个DB是无法承载这么多请求的。于是就有了主从复制、读写分离的解决方案。
master只负责写请求，slave同步master用来服务读请求：
- 为了扩展读能力可以增加多个slave；
- 允许slave同步有一定的延迟；
- 一致性要求严格的，可以指定读主库。
主从功能的问题：
- 需要增加管理Proxy层，分配写请求、读请求；
- 节点故障：其它节点应该快速接管故障节点的功能。
垂直拆分
业务继续增长，master甚至无法承载所有的写请求，数据库需要按业务拆分
垂直拆分的问题：
线下分析，需要在业务代码里join各个表。因为拆成多个库，已经无法join了。
不容易做数据库的事务性，用户余额减少与下单成功的情况下无法使用MySQL的事务功能。
水平拆分
业务继续增长，订单表有大量的并发写入，而且已经有了几千万行数据。
单个库无法承载大量的并发写入；
上千万行的大表，数据写入可能需要调整一棵巨大的B+树；
上千万行，B+树过深，读写需要更多的磁盘IO；
很多老数据访问较少，B+树上层缓存的部分信息无用；
……
参考：大众点评订单系统分库分表实践
https://zhuanlan.zhihu.com/p/24036067
水平分库/分表带来的问题：
- 维护map方案；
- 辅助索引只能局部有效；
- 由于分库，无法使用join等函数；由于分表count、order、group等聚合函数也无法做了；
- 扩容：需要再次水平拆分的：修改map，迁移数据……
2.MySQL的问题
MySQL的主要瓶颈，单机单进程。CPU有限、内存/磁盘功能、连接数有限、网卡吞吐有限……
集群的限制点：
- 关系型数据库，纵向的外键相互join；
范式参考链接：
https://zhuanlan.zhihu.com/p/20028672
- 数据库事务性，基于单机的锁机制，无法扩展到集群中使用；
- 全局有序列性基于B+树，数据有序聚合存储，集群化后无法保证；
数据本地存储，扩容需要迁移数据。
集群的方案：
- 放弃部分功能，辅助索引检索、join、全局事务性、聚合函数等；
- 水平拆分：存储KV化，用机械的map思路实现集群；
- 扩容方案：手动导数据，开发数据迁移脚本；
- 事务性：两阶段事务、paxos、单库事务……
- 备份容灾：从节点同步主节点，但有一定的数据延迟；
- 服务稳定性：主节点挂了，Proxy会将从节点升级为主节点；从节点挂了会被其它从节点替换。
3.HBase集群化解决方案
水平拆分
region：拆分后的子表；
Region Server：管理这些数据的server，相当于一个MySQL实例；
.META.表存储拆分信息map。
单个region过大，RegionServer会将region均分为两个(自动、手工)，然后更新.META.表。
扩容方案
- RegionServer向HMaster汇报状态。HMaster为RegionServer负载均衡，调整其负责的region 。
- 增/删RegionServer后，会为重新调整region的分配方式。
服务稳定性
RegionServer只是计算单元，挂掉后Hmaster可以随便再找一个节点代替坏节点服务。
事务性
HBase只保证行级事务，单行数据肯定存在同一台机器（单机事务很好做）。
备份容灾
- 数据使用HDFS存储，多复本，任何一个复本挂掉都不影响功能；
- RegionServer只是计算单元，挂掉后不影响服务。
二.性能取舍
1.数据请求流程
HBase：
- Client会通过Zookeeper定位到 .META. 表；
- 根据 .META. 查找需要服务的RegionServer，连接RegionServer进行读写；
- Client会缓存 .META. 表信息，下次可以直接连到RegionServer 。
MySQL：
- Client通过Proxy，查找需要连接的MySQL实例，连接并进行读写。
- Rquest的路由流程，MySQL与HBase基本一致，那么RegionServer与MySQL的性能差异如何呢？
**2.HBase写得快
新增**
为什么MySQL建议自增主键？(MySQL随机插入的代价)
- 主键索引是有序的B+树结构，新增条目的ID肯定是最大的，新增给B+结构带来的调整最小；
- 主键索引是聚簇的：新增条目，ID是最大的。其data追加在上一次插入的后面，磁盘更容易顺序写。
辅助索引，插入基本是随机的：
- 插入条目，可能会引起B+树结构很大的调整。
HBase可以随机插入：
- HBase的所有插入只是写入内存memstore，只保证内存数据的有序即可(很快、很容易)；
- 为防止数据丢失写入memstore前，先写入wal(可以关闭，速度更快)；
- HBase没有辅助索引需要维护；
- memstore写满了，申请一块新的内存，旧的memstore被后台线程刷盘，存入HFile。
**修改
MySQL数据变化引起存储变动：**
- 数据块大小变化：磁盘空间不足，可能需要调整磁盘存储结构，引起大量的磁盘随机读写；
- 辅助索引发生变化：可能需要重新调整辅助索引B+树。
- HBase直接将变化写入到memstore，没有其它开销。
删除
MySQL数据删除：
- 直接操作B+树的节点，肯定需要刷新磁盘；
- 如果引起树结构变化，甚至可能需要多次刷新磁盘。
HBase只是在memstore记录删除标记，没有其它开销。
3.结论
HBase写入内存+后台刷盘（最多是WAL，磁盘顺序写）；MySQL需要维护B+树，大量的磁盘随机读写。
MySQL要求尽量追加写（自增 ID），速度较慢；HBase可以随机插入，速度很快。
MySQL读得快
MySQL数据是本地存储的，HBase是基于HDFS，有可能数据不在本地。
B+ 树天然的全局有序
- 根据主键查询，可以快速定位到数据所在磁盘块，只需要极少的磁盘IO即可拿到数据：通过缓存高层节点，主健查询只需要一次磁盘IO就可拿到数据；MySQL单表行数一般建议不会超过2千万，千万行以下的大表，B+树只需2~3层即可；
- 辅助索引，提供快速定位能力：辅助索引B+树，可以快速定位到最终所需的主键ID，根据主键ID可以快速拿到所需信息。
**HBase只有局部信息，没有辅助索引
**
- 查询会优先查找memstore，如果没有会查找Hfile（存储结构类似B+树）。如果第一个Hfile中没有所需的信息，则需要去第二、第三个Hfile中查询；如果查询的数据恰好在memstore，第一个Hfile，HBase会优于MySQL；平均下来，HBase读性能一般。减少Hfile数据以提速，小的HFile合并成大的HFile文件。这种存储结构叫LSM树（Log-structured merge-tree）；
- 如果需要检索特定的列，可能需要遍历所有Hfile，成本巨高。
MySQL成也B+，败也B+；HBase成也LSM，败也LSM。
4.附录
B+ 树
查询“值为25”的节点，只需要2次定位即可。
LSM树
查询“值为25”的节点，只需要4次定位即可。
三.优化思路
1.HBase优化点 (主要是读)
异步化
- 后台线程将memstore写入Hfile；
- 后台线程完成Hfile合并；
- wal异步写入(数据有丢失的风险)。
数据就近
- blockcache，缓存常用数据块：读请求先到memstore中查数据，查不到就到blockcache中查，再查不到就会到磁盘上读，把最近读的信息放入blockcache，基于LRU淘汰，可以减少磁盘读写，提高性能；
- 本地化，如果Region Server恰好是HDFS的data node，Hfile会将其中一个副本放在本地；
- 就近原则，如果数据没在本地，Region Server会取最近的data node中数据。
快速检索
基于bloomfilter过滤：
- 正常检索，RegionServer会遍历所有Hfile查询所需数据。其中，需要遍历Hfile的索引块才能判断Hfile中是否有所需数据；
- BloomFiler存储HFile的摘要，可以通过极少磁盘IO，快速判断当前HFile是否有所需数据：
行缓存：快速判断Hflie是否有所需要的行，粒度较粗，存储占用少，磁盘IO少，数据较快；
列缓存：快速判断Hfile是否有所需的列，粒度较细，但存储占用较多。
基于timestamp过滤：
- HFile基于日志追加、合并，维护了版本信息；
- 当查询1小时内提交的信息时，可以跳过只包含1小时前数据的文件。
HFile存储结构：
HFile存储格式
参考链接：
https://link.zhihu.com/?target=https%3A//blog.csdn.net/yangbutao/article/details/8394149
- Trailer存储整个Hfile的定位信息；
- DataIndex存储Data块的索引信息：Data存储为一组磁盘块，存储数据信息；DataIndex功能类似于B+树的非叶子节点；Data每个磁盘块中的数据按key有序，加载到内存后可以用二分查找定位；Key按行 + 列族 + 列 + 时间戳生成，按字典序排序(最佳查询方式：最左匹配)；
- MetaIndex存储Meta的索引信息，Meta存储一系列元信息；MetaIndex功能类似于B+树的非叶子节点；Meta存储bloomfiler等辅助信息。
2.MySQL优化点(主要是写)
查询缓存
将SQL执行结果放入缓存。
缓存B+高层节点
一千万行的大表，一般只需要一棵3层的B+树，其中索引节点 (非叶子节点) 的大小约20MB。完全可以考虑将大部叶子节点缓存，基于主键查询只需要一次IO。
减少随机写——缓冲：延迟写/批量写
上节提到，B+树通过自增主键大量减少随机插入。由于辅助索引的存在，插入、修改、删除操作，辅助索引可能引起大量的随机IO。
- 插入缓冲：只是将被插入数据写入insert buffer；定期将其merge到B+树；
- 修改缓冲：类似于insert buffer的思路。
减少随机读--MRR
ELECT * FROM t WHERE key_part1 >= 1000 AND key_part1 < 2000 AND key_part2 = 10000;
# 普通操作分解：
key_part1= 1000， key_part2=1000， id = 1
select * from t where id=1
key_part1= 1001， key_part2=1000， id = 10
select * from t where id=10
...
# MRR 操作分解:
SELECT * FROM t WHERE key_part1 >= 1000 AND key_part1 < 2000 AND key_part2 = 10000;
key_part1= 1000， key_part2=1000， id = 1
buffer.append(1)
key_part1= 1000， key_part2=1000， id = 10
buffer.append(10)
...
sort(buffer)
select * from t where id in (buffer)
/**索引下推
- MySQL的server处理完索引后，会将索引其它部分传给引擎层；
- 引擎层根据过滤条件过滤掉无用的行，减少数据量，进而优化server的性能。
3.集群化数据库的辅助索引
InnoDB的辅助索引
- B+树全局有序，叶子节点存储的是主键。基于辅助索引定位主键，再用主键定位数据。MySQL水平切分后，没办法跨库维持建立全局有序索引：
- 单实例维护索引，丧失了全局有序性；
再做一个基于新索引分库方案，丧失了辅助索引维护的事务性。
HBase相同问题
- 仿照InnoDB实现辅助索引，辅助索引可以做成单独的key，其value是被索引行的key；
- 可以做到全局信息的维护，但没法保证事务性。
4.HBase异步合并带来的好处
- TTL：基于后台合并，TTL很容易做；
- 数据多版本支持：基于“追加”，HBase天然的可以支持多版本；
- 版本数量：基于后台合并，可以将太旧版本干掉。
四.总结
不知道BigTable的前辈们是出于什么思路，本人冒昧揣测一下，多少应该是受到SQL数据库的影响。个人感觉，这些或许就是一脉相承的演进，至少用这种思路学习不显突兀。HBase不是凭空而来，也绝对不是解决所有问题的万能灵丹。
最直接的存储思路肯定是“文件”，当“文件”不能满足需求，就有了数据的组织方式，进而演进到关系数据库如MySQL。
MySQL以其“单机”很好地解决了ACID问题，但是，性能再好的“单机”势必演变成“单点”瓶颈，进而，分布式思路成为必然。
最简单的是扩展读，“无限”挂slave；进而拆分写节点，多点写入：垂直拆库、水平拆库。一旦选择分布式，就涉及如何主从一致、如何发现节点、如何运维、ACID的如何保证等问题。
进而就是一系列分布式方案，而HBase就是其中一种解决思路——只读主库保证一致，水平拆分、zk等机制保证自动运维、单行级ACID。至于性能方面，由于存储思路不同，MySQL与HBase分别取舍了不同的读写性能。继而，就衍生出了如何针对性进行优化。
以这种思路，HBase不是凭空出现。以个人浅显的目光所及，没有完美的架构，也没有绝对厉害的设计。固然SQL类数据库有其独领风骚的场景，NoSQL数据库自然也有纵横驰骋的疆域，无论是哪种架构，都有自己鞭长莫及的角落。
所以，应该说任何一种方案都没有完美，只有合适。而所有的合适都是演变而来，万变不离其宗：更好的解决问题。
